Avancées en apprentissage automatique pour les modèles océaniques

Les modèles climatiques nous aident à comprendre comment fonctionne l'atmosphère et les océans de notre planète. Ces modèles sont importants pour prédire le temps et les changements climatiques. Un des défis des modèles climatiques est de gérer de petites caractéristiques océaniques appelées tourbillons. Ces tourbillons peuvent influencer des courants océaniques plus grands, mais ils sont souvent trop petits pour être modélisés directement. Pour faire face à ces petites caractéristiques, les scientifiques travaillent sur des manières d'utiliser l'Apprentissage automatique pour améliorer les modèles climatiques.

#Le défi des tourbillons

Les tourbillons sont des courants tourbillonnants qui peuvent faire entre environ 10 kilomètres et 100 kilomètres de large. Ils peuvent affecter des courants océaniques plus grands et sont responsables du transport de chaleur et de sel. Comme les modèles climatiques ne peuvent pas directement résoudre ces petites échelles, les scientifiques ont besoin d'une méthode pour prédire leur impact sur les systèmes plus grands. C'est là que la paramétrisation entre en jeu.

La paramétrisation est une technique qui estime l'effet des processus à petite échelle sur des modèles à plus grande échelle. Elle simplifie les interactions complexes dans l'océan et permet des calculs plus faciles. Cependant, développer des paramétrisations efficaces a été un défi de longue date dans la science climatique.

#Utilisation de l'apprentissage automatique

Récemment, l'apprentissage automatique a attiré l'attention comme un outil pour améliorer la paramétrisation. L'apprentissage automatique peut analyser d'énormes quantités de données pour trouver des motifs qui peuvent ne pas être visibles pour les scientifiques utilisant des méthodes traditionnelles. En s'entraînant sur des données provenant de simulations à haute résolution, les modèles d'apprentissage automatique peuvent apprendre à prédire comment de petites caractéristiques océaniques comme les tourbillons influencent la dynamique océanique plus large.

#Le modèle et son évaluation

Dans cette étude, on implémente une paramétrisation basée sur l'apprentissage automatique dans un modèle numérique d'océan. Le modèle numérique que nous utilisons s'appelle MOM6, qui simule la circulation océanique. On se concentre sur un modèle d'apprentissage automatique spécifique conçu pour prédire la force de moment générée par les tourbillons de mésoéchelle. Notre but est de voir comment ce modèle d'apprentissage automatique fonctionne lorsqu'il est intégré dans le modèle océanique.

#Tester le modèle

On teste la paramétrisation d'apprentissage automatique dans un contexte différent de celui pour lequel elle a été initialement créée. Cela se fait pour voir si le modèle d'apprentissage automatique peut fonctionner efficacement dans différentes conditions océaniques. On évalue sa performance en termes de stabilité, de précision et d'efficacité computationnelle.

La paramétrisation d'apprentissage automatique est traitée comme une paramétrisation traditionnelle. On l'insère dans le modèle existant et on la teste sous diverses conditions, y compris différentes profondeurs océaniques, motifs d'écoulement et résolutions de grille.

#Résultats des tests

Nos tests montrent que la paramétrisation d'apprentissage automatique peut être implémentée sans modifications significatives. Cependant, on trouve aussi qu'elle a certaines limites. Par exemple, le modèle nécessite un réglage pour prédire efficacement le moment à différentes profondeurs. De plus, la paramétrisation ne fonctionne pas aussi bien près des côtes que dans l'océan ouvert. C'est important car les régions côtières jouent un rôle crucial dans la dynamique océanique.

On observe aussi que le coût computationnel de l'exécution de la paramétrisation d'apprentissage automatique sur des processeurs traditionnels est élevé. Cela peut compliquer son utilisation dans des simulations à grande échelle, qui sont courantes en science climatique.

#Comprendre la dynamique océanique

Pour comprendre l'impact de notre paramétrisation d'apprentissage automatique, on a besoin de comprendre les équations qui régissent la dynamique océanique. Les modèles de circulation océanique résolvent un ensemble d'équations qui décrivent comment l'eau se déplace et comment elle est influencée par des forces comme le vent et la rotation de la Terre.

Les tourbillons et autres caractéristiques à petite échelle font partie intégrante de ces équations. Ils contribuent à l'échange de moment et d'énergie, affectant des courants océaniques plus grands. Le défi est de représenter avec précision ces processus à petite échelle d'une manière qui puisse être calculée efficacement.

#Limites de la paramétrisation traditionnelle

Traditionnellement, les paramétrisations se sont basées sur des modèles mathématiques qui approchent les effets des processus non résolus. Cependant, ces modèles peuvent introduire des erreurs dans les simulations climatiques. L'incertitude créée par ces erreurs peut impacter les projections climatiques et réduire la fiabilité des prévisions des modèles.

#Le rôle des observations

Historiquement, le développement de paramétrisations a nécessité une combinaison d'approches théoriques et d'observations. Les chercheurs se sont basés sur des données recueillies dans l'océan pour affiner leurs modèles au fil du temps. Pourtant, même avec cette évolution, les paramétrisations traditionnelles échouent souvent à traiter les complexités du comportement océanique.

#La promesse de l'apprentissage automatique

L'avènement de l'apprentissage automatique offre une nouvelle approche pour faire face à ces défis. Au lieu de se baser uniquement sur des modèles basés sur la physique, les modèles d'apprentissage automatique peuvent être formés directement sur des données observées. Cela leur permet de capturer les relations complexes entre les caractéristiques à petite échelle et leurs effets sur les flux à plus grande échelle.

Cependant, malgré la promesse de l'apprentissage automatique dans le développement de paramétrisations, peu ont été entièrement mises en œuvre dans les modèles de circulation générale, et évaluer leur efficacité reste compliqué.

#Implémentation du modèle d'apprentissage automatique

Dans cette étude, on utilise un modèle d'apprentissage automatique spécifique, appelé GZ21, qui est conçu pour prédire les effets des tourbillons de mésoéchelle. Ce modèle est un type de réseau de neurones appelé réseau de neurones convolutifs (CNN), qui est doué pour traiter des données spatiales.

Pour intégrer ce modèle d'apprentissage automatique dans le modèle de circulation océanique MOM6, on fait face à certains défis techniques dus aux différences dans les langages de programmation. MOM6 est écrit en Fortran, tandis que la plupart des modèles d'apprentissage automatique sont développés en Python. Cette barrière linguistique complique le processus d'implémentation.

#Couplage de Fortran et Python

Une manière de surmonter cette barrière est d'utiliser un module appelé Forpy. Cet outil permet une interaction facile entre Python et Fortran, permettant au modèle d'apprentissage automatique de fonctionner au sein du modèle océanique basé sur Fortran. En utilisant Forpy, on peut transférer efficacement les données entre les deux langages et tirer parti des forces de chacun.

#Évaluation des performances en ligne

Pour tester le modèle d'apprentissage automatique intégré dans le modèle de circulation océanique, on met en place des simulations qui mesurent ses performances en ligne. La performance en ligne fait référence à la capacité du modèle à inférer des prédictions en temps réel pendant une simulation, plutôt que de le tester simplement en isolation.

Dans notre évaluation, on met en place un scénario idéalisé appelé un double gyre entraîné par le vent pour observer comment la paramétrisation influence les dynamiques d'écoulement. Cette configuration permet de comparer les résultats avec des simulations qui n'utilisent pas la paramétrisation d'apprentissage automatique.

#Comparer les résolutions

On examine aussi comment le modèle d'apprentissage automatique fonctionne à différentes résolutions spatiales. En simulant les mêmes conditions à différentes tailles de grille, on peut évaluer comment les impacts de la paramétrisation changent avec l'échelle du modèle. C'est important car différentes résolutions peuvent affecter significativement les résultats du modèle.

#Conclusions des tests

Notre analyse montre que l'inclusion de la paramétrisation d'apprentissage automatique entraîne des améliorations dans les caractéristiques d'écoulement, en particulier dans les couches supérieures de l'océan. L'utilisation de la paramétrisation améliore les niveaux d'énergie dans le modèle, rendant le flux plus dynamique et réaliste.

Cependant, on remarque aussi des divergences. Par exemple, bien que la paramétrisation augmente le transfert d'énergie en général, elle peut surestimer les effets dans certains scénarios. Cela indique que bien que l'apprentissage automatique ait du potentiel, un réglage et une validation minutieux sont essentiels.

#Réglage de la paramétrisation

Régler la paramétrisation d'apprentissage automatique implique d'ajuster ses sorties pour optimiser les performances. C'est une pratique courante dans la modélisation climatique. Pour notre modèle d'apprentissage automatique, on explore différentes stratégies de réglage pour obtenir les meilleurs résultats.

On considère deux méthodes de réglage. La première consiste à utiliser un facteur d'échelle uniforme dans les deux couches du modèle océanique. La seconde stratégie implique des facteurs d'échelle séparés pour les couches supérieures et inférieures. Nos résultats indiquent que les performances peuvent être considérablement améliorées par un réglage réfléchi.

#Conclusion et travaux futurs

En conclusion, notre exploration de l'utilisation de l'apprentissage automatique pour la paramétrisation dans les modèles de circulation océanique révèle un potentiel prometteur. La capacité des modèles d'apprentissage automatique à extraire des informations des données peut améliorer notre compréhension des processus à petite échelle et de leur influence sur les dynamiques plus grandes.

Cependant, des défis subsistent. Le besoin de réglage, notamment dans différentes couches océaniques et sous diverses conditions, souligne la complexité du comportement océanique. De plus, les coûts computationnels associés aux implémentations d'apprentissage automatique représentent un obstacle à leur utilisation généralisée dans les modèles climatiques à grande échelle.

#Avancer

Les recherches futures devraient se concentrer sur le réentraînement des modèles d'apprentissage automatique avec des ensembles de données plus complets, y compris des données issues de zones côtières et de différentes profondeurs. Cela pourrait aider à régler certains des artefacts que nous avons observés près des frontières dans nos tests.

De plus, le développement continu de méthodes de couplage efficaces entre les langages de programmation facilitera l'intégration de l'apprentissage automatique dans les modèles climatiques existants. À mesure que nous affinons ces approches, nous anticipons que l'apprentissage automatique deviendra un outil précieux pour améliorer les prévisions climatiques et comprendre les complexités des océans de notre planète.